Novel Gauss-Hermite integration based Bayesian inference on optimal wavelet parameters for bearing fault diagnosis

غلتک های غلتک معمولا در ماشین آلات مورد استفاده قرار می گیرند تا پشتیبانی از شفت های دوار انجام شود. خرابی های باربری ممکن است موجب خرابی ماشین های غیر منتظره و افزایش هزینه های اقتصادی شود. برای جلوگیری از خراب شدن ماشین و کاهش ضرر و زیان اقتصادی، گسل های تحویل باید در اسرع وقت شناسایی شوند. از آنجا که تبدیل موجک می تواند مورد استفاده قرار گیرد برای برجسته شدن امواج ناشی از گسل های تحمل موضعی، تبدیل موجک به طور گسترده مورد بررسی قرار گرفته و ثابت شده است که یکی از موثر ترین و کارآمد ترین روش های تشخیص گسل است. در این مقاله، یک روش جدید استنتاج بیزی برای یک توزیع خلفی پارامترهای موجک پیشنهاد شده است. نوآوری های این مقاله به شرح زیر است. اولا، یک مدل فضای حالت غیر خطی پارامترهای موجک برای توصیف رابطه بین پارامترهای موجک و اندازه گیری های فرضی ساخته شده است. دوم، توابع چگالی احتمالی خلفی مشترک پارامترهای موجک و اندازه گیری های احتمالی فرض شده است که به دنبال توزیع گاوس مشترک به منظور ایجاد هیجان گاوسی برای مدل فضای حالت. سوم اینکه، یکپارچگی گاوس-هرمیت به منظور تحلیلی پیش بینی و به روز رسانی لحظات توزیع گاوسی مفصل معرفی می شود که از آن پارامترهای موجک بهینه استخراج می شوند. در نهایت، فیلترینگ موجک بهینه برای استخراج ویژگی های گسل ارائه شده و در نتیجه شناسایی گسل های تحویل موضعی انجام می شود. دو نمونه برای نشان دادن روش روش پیشنهادی مورد بررسی قرار گرفته است. دو مقایسه با کورتوگام سریع برای نشان دادن این که روش پیشنهادی می تواند عملکرد بهتر بازرسی بصری را از کوتوگرافی سریع به دست آورد.